UNIVERSIDAD NACIONAL EXPERIMENTAL

FRANCISCO DE MIRANDA
AREA DE TECNOLOGÍA
COMPLEJO DOCENTE PUNTO FIJO
ASIGNATURA: CONTROL DE CALIDAD

Profesor: MSc. Marcolina Valery A.

Tema 3. HERRAMIENTAS DE LA CALIDAD (COMPLEMENTO)

GRÁFICOS DE CONTROL

INTRODUCCIÓN
El inicio del período del CONTROL ESTADÍSTICO DE LOS PROCESOS, que constituyó un avance sin
precedente en el movimiento hacia la calidad, surge en la década de los 30’s a raíz de los trabajos de
investigación realizados por la Bell Telephone Laboratories. Donde uno de sus principales
investigadores, Dr. Walter A. Shewhart, como principal aporte reconoce que en todo proceso de
producción existe variación, puntualizando que no podían producirse dos partes con las mismas
especificaciones, pues era evidente que las diferencias en la materia prima e insumos y los distintos
grados de habilidad de los operadores provocaban variabilidad.
Shewhart no proponía suprimir las variaciones, sino determinar cuál era el rango tolerable de variación
que evite que se originen problemas. Para lograr lo anterior, desarrolló las GRÁFICAS DE CONTROL,
punto central del material didáctico.

CAUSAS COMUNES Y ESPECIALES DE LA VARIACIÓN

La variación es algo inherente a todo proceso debido al efecto conjunto de equipos, materiales, entorno
y operario. La variación experimentada en un proceso puede ser consecuencia de 2 tipos de causas, las
causas comunes (fortuitas o aleatorias) y causas especiales (atribuibles o impotables).
La variación debido a causas comunes o al azar, es inherente a las características esenciales del
proceso y es el resultado de la acumulación y combinación de las diferentes fuentes de variabilidad. Las
causas comunes son difíciles de identificar y eliminar.
La variación debido a causas especiales o atribuibles no es parte del sistema de causas comunes,
orinadas por situaciones o circunstancias especiales que no estén presentes permanentemente en el
sistema. Las causas especiales, por su naturaleza relativamente discreta, a menudo puedan ser
identificadas y eliminadas.
Un proceso que trabaja solo con causas comunes de variación, se considera que esta en estado de
control estadístico. Es estable y predecible, independientemente de que su variabilidad sea mucha o
poca, es predecible en el futuro inmediato. En un proceso bajo control estadístico la calidad, la cantidad
y los costos son predecibles.
Un proceso en el que están presentes causas especiales de variación se considera fuera se control
estadístico (o es inestable).
Los gráficos de control constituyen un instrumento que permite distinguir, la mayoría de las veces,
cuando un cambio, problema o una variación se debe a causas comunes y cuando a causas especiales.

GRÁFICAS DE CONTROL
Una gráfica de control consiste en una línea central, un par de límites de control, uno de ellos colocados
por encima de la línea central y otro por debajo, y ciertos valores característicos registrados en la
grafica que representa el estado del proceso. Si todos los valores ocurren dentro de los límites de
control, sin ninguna tendencia especial, se dice que el proceso está bajo control estadístico, si no, esta
fuera de control.
1
Para el cálculo de los limites de control se debe proceder de tal forma que bajo condiciones de control
estadístico, la variable que se grafique en la carta tenga una alta probabilidad de caer dentro de tales
limites. Por lo tanto, una forma de proceder es encontrar la distribución de las probabilidades de la
variable, estimar sus parámetros y ubicar los limites de tal forma que un alto % de la distribución este
dentro de ellos; esta forma se conoce como límites de probabilidad.
Una forma sencilla y usual se obtiene a partir de la relación entre la media y la desviación estándar de
una variable, que para el caso de una variable con distribución normal con media  y desviación
estándar  , y bajo condiciones de control estadístico, se tiene que entre  -3 y  +3 se encuentran
el 99.73 % de los posibles valores que tome tal variable.
Frecuencia

68,27%
95,45%
99,73%

Sea X la variable (o estadístico) que se va a graficar en el Gráfico de Control y suponiendo que su

media es X y su desviación estándar X, entonces el límite de control superior (LCS), la línea central
(LC) y el límite de control inferior (LCI) están dados por:
LCS =  x + 3x
LC = x
LCI =  x - 3x
Con estos limites, y bajo condiciones de control estadístico, se tendrá una alta probabilidad de que los
valores de X estén dentro de ellos. Si X tiene distribución normal, tal probabilidad es de 0.9973.
Los Gráficos de control de Shewhart son básicamente de 2 tipos:
 Gráficos de Control para Variables
 Gráficos de Control para Atributos

Los gráficos de control para variables:

Este tipo de gráfico se aplican a características de calidad de tipo continuo, que intuitivamente son
aquellas que requieren un instrumento de medición para medirse (peso, volumen, voltaje, etc.)
Los gráficos de control para variables más usuales son:

De medias, X
De rangos, R
Desviaciones estándar, S
En una característica de calidad de tipo continua en un producto o en un proceso interesante controlar
su variabilidad y su tendencia central, por ejemplo, las dimensiones de cierta pieza deben ser 10 cm.
con una tolerancia de  0.2 cm., por lo que la tendencia central de estas piezas debe estar muy

2
próxima a 10, y su variabilidad debe ser tal que todas las piezas tengan una dimensión que caiga entre
9.8 y 10.2 cm.
Es por esto que generalmente, se presentan juntas los Gráficos de X , para controlar la tendencia
central, y la R (ocasionalmente una S) para controlar su variabilidad o dispersión.

GRÁFICAS X

Esta gráfica registra la variación experimentada en el valor promedio de las muestras (entre muestras).
La forma operativa de construir un Gráfico X inicia determinando las características a estudiar.
Posteriormente se mide la característica en una cantidad pequeña de productos consecutivos
(subgrupos de productos) cada determinado periodo y en lugar de analizar las mediciones individuales
se analizar las medias y los rangos de los subgrupos (o muestras).
La Gráfica X evidenciará el comportamiento sobre el tiempo de la columna de medias, sobre lo cual se
tendrá información sobre la tendencia central y sobre la variación entre las muestras.
En el caso de la Gráfica X , la variable X que se gráfica es la media de las muestras, por lo que una
forma de estimar su media,  x , es por  X   X  X .

 Xi
i 1
Donde X es la media de las medias de las muestras X  , siendo X es el promedio del subgrupo i,
g
y g la cantidad de subgrupos.

Mientras que la desviación estándar de las medias de las muestras esta dada por:  X   X 
n

Donde n es el tamaño de muestra (numero de elementos que integra cada subgrupo) y  es la

desviación estándar de la característica de calidad original.
En la mayoría de los casos se desconoce  por lo que es necesario estimarla a partir de los datos
R
maestrales. Esto puede hacerse mediante la media de los rangos R , de la siguiente manera:   .
d2

Donde d 2 es una constante que depende del tamaño de la muestra (y se encuentra tabulado).

Así, los limites de control para una Gráfica X , se obtendrán de la siguiente manera:

LCS  X  A2 R

LC  X
LCI  X  A2 R

 R 
 
Donde     d2  3
A2 R  3x  3   3   R
 n   n  d2 n
 
 
g

Ri
i 1
R es el promedio de los rangos de los subgrupos R  , y A 2 es una constante que depende del
g
número de subgrupos (se ubica por tablas anexas).

3
GRÁFICAS R

Este diagrama es utilizado para estudiar la variabilidad de una característica de calidad de un producto
o un proceso, y en ella se analiza el comportamiento en el tiempo de los rangos de las muestras o
subgrupos.

Los limites de control para una carta R se obtienen a partir de la misma forma general: la media mas o
menos tres veces la desviación estándar de la variable que se grafica en la carta, que en este caso son
los rangos de las muestras, es decir:  R  3 R
La estimación de la media de los rangos,  R , se hace a través de R , mientras que la estimación de la
R 
desviación estándar de los grupos,  R , se obtiene:  R  d3  d3  
 d2 
Donde d 3 es una constante que depende del tamaño de la muestra (tabulados también). De esta
manera los limites de una grafica R, se obtienen de la siguiente manera:

LCS  D4 R
LC  R
LCI  D3R

Donde D3 y D4 están tabuladas para varios tamaños de muestra.

GRÁFICAS S
La Gráfica R se calcula con mayor facilidad y su explicación es más sencilla. Pero la desviación estándar
de la muestra del subgrupo, en el caso de la desviación de la Gráfica S, se calcula empleando todos los
datos, no solo los valores superior e inferior (como para la Gráfica R). Por consiguiente la grafica S es
mas precisa que una R.
Si el tamaño de los subgrupos es menor a 10, ambas graficas mostraran la misma variación; sin
embargo conforme el tamaño de los subgrupos sea de 10 o mas, los valores extremos tendrán una
injustificada influencia en la grafica R por lo tanto, con tamaños de subgrupos mayores, deberá
emplearse la Gráfica S.
Los pasos necesarios para obtener el límite de control central y los límites de control revisados de X y
S son los mismos que en el caso de las graficas de X y R, excepto que se usan formulas distintas:
Para la Gráfica X Para la Gráfica R

LCS  X  A3 S LCS  B4 S
LC  X LC  S

LCI  X  A3 S LCI  B3 S

Donde A3, B3, B4 son constantes tabulados que depende del tamaño de la muestra, y S es el promedio
de las desviaciones estándar de la muestra de subgrupo.
En General, las etapas que deben tomarse en cuenta para mejorar el proceso están esquematizadas
en la siguiente figura:

4
 Salida del proceso

Evaluar Gráficos de Control

( X R o X  S )

Proceso no está en Proceso está en

Control Estadístico Control Estadístico

Eliminar causas Evaluar capacidad del

asignables proceso

Proceso no Capaz Proceso Capaz

Decisión Gerencial Comprobar

centramiento del
proceso

Lograr mejora del

proceso

REPRESENTACION DE LOS GRÁFICOS X  R

Ejemplo: Los siguientes datos representan el diámetro de un eje que se usa para hacer girar la hélice
de un motor fuera de borda. Determinar si el proceso esta bajo control estadístico.

Muestra o Diámetro en mm
Media X Rango
subgrupo X1 X2 X3 X4 X5
1 16 23 12 11 16 15,6 12
2 14 14 19 12 23 16,4 11
3 11 13 14 17 14 13,8 6
4 21 23 21 13 8 17,2 15
5 13 17 13 13 14 14 4
6 16 13 14 17 14 14,8 4
7 16 22 16 17 17 17,6 6
8 17 12 14 15 16 14,8 5
9 17 18 15 20 14 16,8 6
10 10 9 18 14 13 12,8 9
11 15 10 17 10 9 12,2 8
12 16 13 16 11 14 14 5
13 14 11 14 22 15 15,2 11
14 11 10 18 14 12 13 8
15 16 10 14 10 18 13,6 8
16 13 18 14 13 20 15,6 7
17 10 10 18 17 13 13,6 8
18 12 12 19 9 14 13,2 10
19 13 12 11 18 13 13,4 7
20 16 14 16 15 15 15,2 2

X = 14,64 R = 7,6

5
 Para Gráfico X Para Gráfico R

LCS  X  A2R  14,64  0.577(7,6)  19,03 LCS  D4R  2,115(7,6)  16,074

LC  X  14,64 LC  R  14,64
LCI  X  A2R  14,64  0,577(7,6)  10,25 LCI  D3R  0(7,6)  0

Realizadas las graficas deben ser analizadas para determinar el estado del proceso. Primero debe
analizarse la Gráfica R para ver si es estable. Si el proceso no esta dentro del control, la Gráfica X
tendrá poco significado, ya que los limites de control de ésta dependen de la variabilidad.

Gráfico de Control de X

20
19
A
18
17 B
16
15 C
mm.

14
C
13
12 B
11
10 A
9
8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Muestras

Gráfico de Control de R

17
16
15 A
14
13
12 B
11
10
C
mm.

9
8
7
6 C
5
4 B
3
2
1 A
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Muestras

Gráficos I-Rm (Valores Individuales)

La gráfica de individuales es un diagrama para variables de tipo continuo que se podría ver como un
caso particular de la carta X  R , cuando el tamaño de la muestra es n = 1, pero la diferencia principal
se da en los procesos en los cuales se aplica.
6
Existe muchos procesos o situaciones donde no tiene sentido práctico agrupar medidas para formar una
muestra o subgrupo, como por ejemplo: Proceso muy lentos; Procesos en los que las mediciones
cercanas solo difieren por el error de medición (Por ejemplo, temperaturas); Se inspecciona de manera
automática todas las unidades producidas y Resulta costoso inspeccionar y medir más de un artículo.
En estos casos la mejor alternativa es usar una gráfica de individuales, donde cada medición particular
de la característica de calidad que se obtiene se registra en una carta. Para estimar la variabilidad de
estas mediciones se acostumbra usar el rango móvil de dos observaciones consecutivas, por lo que, al
graficar estos rangos, se obtiene una carta de rangos móviles.

Los límites de control de una Gráfica para Valores Individuales se obtiene igual que la carta X  R de
muestra n = 2, dado que el rango se obtiene de entre los datos de dos mediciones consecutivas:

Para la Gráfica X Para la Gráfica R

 R   
LCS  X  3    X  3 R 
d   1.128  LCS  D 4 R 
 2   
LC  X LC  R
 R    LCI  D3 R  0,
LCI  X  3    X  3 R 
d   1.128 
 2   
Nota: d2 ,D4 y D3 son constantes porque siempre n=2

Ejemplo: En una empresa que hace impresiones en láminas de acero, un aspecto importante es la
temperatura del horno. La temperatura debe ser de 125 ºC  5 ºC porque si no se cumple se pueden
presentar problemas de calidad final de las láminas.
Para investigar si la temperatura tuvo una variabilidad estable primero se analizan los rangos móviles.
Para analizar el comportamiento de la tendencia central, se usa la carta de individuales.
Muestra Temp. del horno Rango Móvil
1 125,1 -
2 127,5 2,4
 R 
3 122,7 4,8
LCS  X  3    126,97  3  2,29   133,06
4 126,4 3,7 d   1.128 
 2 
5 125,5 0,9
LC  X  126,97
6 130,5 5,0
 R 
7 127,3 3,2
LCI  X  3    126,97  3  2,29   120,87
8 127,5 0,2 d   1.128 
 2 
9 127,3 0,2
10 123,0 4,3
11 123,5 0,5
12 128,0 4,5
13 126,4 1,6
14 128,3 1,9
15 129,5 1,2
16 128,1 1,4
17 125,1 3,0 LCS  D4R  3.267 * 2,29  7,48
18 128,5 3,4
LC  R  2,29
19 125,0 3,5
LCI  D3R  0 * 2,29  0
20 126,3 1,3
21 126,5 0,2
22 127,9 1,4
23 129,5 1,6
24 131,9 2,4
X = 126,97 R = 2,29

7
 Gráfico de Rango móvil

7
A
6

Temperatura
5 B
4

3 C

2 C
1
B
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Muestras

Según la gráfica de rangos la temperatura en el horno estuvo bajo control estadístico en cuanto a
variabilidad. Pero el gráfico de individuales muestra que el proceso estuvo fuera de control estadístico
es su tendencia central, ya que desde las semanas 18 a la 24 se presento una tendencia ascendente.

Gráfico de Individuales

134,0

132,0 A
130,0 B
Temperatura

128,0 C
126,0 C
124,0 B
122,0 A
120,0

118,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Muestras

EVIDENCIAS DE AUSENCIA DE CONTROL

Las causas especiales de variación (un proceso esta fuera de control) se manifiesta cuando uno o varios
puntos caen fuera de los límites de control, o cuando los puntos registrados en el gráfico siguen un
comportamiento no aleatorio. Para identificación estos patrones, primero hay que dividir la grafica de
control en seis zonas o bandas iguales, cada una con una amplitud similar a una desviación estándar de
la variable que se grafica. A continuación se dan cinco patrones para el comportamiento de los puntos.
Racha: Sucede cuando los puntos ocurren 20,4488
continuamente en un lado de la línea central y el Rac ha de 7 puntos.
numero de puntos se llama longitud de racha. Se Es anormal
10 de 11 puntos consecutivos
consideran anormales los siguientes casos: 17,3366
del mismo lado es anormal.

 7 Puntos de un mismo lado de la línea central

14,2244
 Al menos 10 de 11 puntos consecutivos ocurren
en un lado de la línea central.
11,1122
 Al menos 12 de 14 puntos consecutivos ocurren
en un mismo lado de la línea central.
8
 Al menos 16 de 20 puntos consecutivos ocurren 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

8
 en un mismo lado de la línea central.

20,4488

7 puntos ascendentes Tendenc ia desc endente

17,3366
drástica

Tendencia: Cuando los puntos forman una

curva ascendente o descendente bien definida 14,2244

(6 puntos consecutivos ascendentes o

descendentes). 11,1122

8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

20,4488

17,3366
Acercamiento a los limites de control:
Teniendo en cuenta los puntos que se acercan
a los limites de control de 3σ . Si 2 de 3 14,2244

puntos ocurren por fuera de las líneas de 2σ

el caso se considera anormal. 11,1122

8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

20,4488

Acercamiento a la línea central: Cuando la 17,3366

mayoría de los puntos están dentro de las
líneas de 1,5σ , es decir, se refleja poca
14,2244
variabilidad. Esto puede deberse a una forma
inapropiada de hacer subgrupos. (15 puntos
consecutivos en 1,5σ puede ser muestra de 11,1122

esta tendencia.
8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

20,4488

Periodicidad: También es anormal que la 17,3366

curva muestre repetidamente una tendencia

ascendente y descendente para casi el mismo 14,2244
intervalo. El criterio puede ser 14 puntos
consecutivos alternando entre altos y bajos.
11,1122

8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

Según Besterfield (1995), cuando un proceso esta bajo control, se produce un patrón normal de
variación que cumple con los siguientes:
1. El 34 % de los puntos esta dentro del espacio 1 a ambos lados de la línea central
2. Aproximadamente el 13.5 % de los puntos están dentro del espacio en 1σ y 2σ a ambos lados de
la línea central.

9
3. Aproximadamente 2.5 % de los puntos están dentro del espacio entre 2σ y 3σ a ambos lados de
la línea central.

Analizando el ejemplo de X -R, se deduce que el proceso esta bajo control estadístico, debido a que los
gráficos tiene puntos fuera de control, ni cumple con alguno de los patrones descritos de anormalidad,
pero si cumple con las condiciones de normalidad descritas anteriormente.

CAPACIDAD DEL PROCESO (Cp)

Es la habilidad de un proceso de producir una salida, donde la mediciones individuales de una
característica importante tendrá una variabilidad tan pequeña, que caerá dentro de las especificaciones,
siempre y cuando el promedio del proceso este centrado apropiadamente.
Para realizar un análisis de la capacidad es necesario que el proceso se encuentre bajo control
estadístico. Un proceso puede estar bajo control estadístico pero no cumplir con especificaciones.
El histograma es la herramienta grafica por excelencia para evaluar si se cumple con las
especificaciones, sean de productos o procesos. Sin embargo, otra forma muy usual de cuantificar la
capacidad de cumplir con especificaciones son los índices Cp y Cpk.

Índice Cp: se utiliza para medir la capacidad potencial del proceso para cumplir con las
especificaciones técnicas, comparando el ancho de las especificaciones con la amplitud de la variación
del proceso, es decir:
Tolerancia Técnica
Cp 
Tolerancia Natural
Donde: Tolerancia Técnica (TT): especificación superior menos especificación inferior (ES-EI).
Tolerancia Natural: representa la variación real de la salida producida en el proceso ( 6 ) siendo  la
desviación estándar estimada del proceso, es decir:
(ES - EI)
Cp 
6
La capacidad de un proceso existe cuando un proceso es consistente TN<TT (Cp>1). El índice de
capacidad no muestra si en verdad se esta cumpliendo con las especificaciones, solo indica la variación
del proceso en relación a la variación permitida bajo la especificación.

Pasos para Calcular Cp.

1. Calcular el valor de  , a través el R de la muestra de la Gráfica R, con las formulas:

S
  o 
R
C4 d2
2. Conociendo σ y las tolerancias del proceso, se calcula Cp.
A continuación se muestra un criterio para tomar dediciones con respecto al Índice Cp.
VALOR DE Cp CLASE DEL PROCESO DESICIÓN
Cp>1.33 1 El proceso es más que adecuado.
El proceso es adecuado pero requiere de un control estricto
1< Cp<1.33 2
conforme acerca Cp a 1.
El proceso no es adecuado para el trabajo. Es necesario un análisis
0.67<Cp<1 3
del proceso. Hay una buena probabilidad de éxito
El proceso no es adecuado para el trabajo. Requiere serias
Cp<0.67 4
modificaciones.
NOTA: Cuanto mayor sea Cp, mayor será la calidad (siempre que el proceso esté centrado).
10
 6 6

8
-4 - 2 .2 - 1 .3 - 0 .3 0 .7 1 .7 2 .7 -4 - 2 .2 - 1 .3 - 0 .3 0 .7 1 .7 2 .7

6
ES C P = 1 ,3 3 EI ES C P = 1 ,0 0 EI

6

-4 - 2 .2 - 1 .3 - 0 .3 0 .7 1 .7 2 .7

4
ES C P = 0 ,6 7 EI

Ejemplo: En función de que el ejercicio realizado en los Gráficos X  R está bajo control estadístico y
consta de 24 subgrupos, se tomara el mismo ejemplo, siendo las especificaciones técnicas 15 mm.  2
mm. ES= 17, EI = 1.3 y d2 para n=5 es 2.326

17  13 6
Cp    0,20
 7.6  19.60
6 
 2,326 
De acuerdo a los criterios, el proceso evaluado no es capaz de cumplir las especificaciones dadas,
correspondiendo a una clasificación 4.
Cp y Cpk. (Índice de desempeño de un proceso)
El índice de Capacidad Cp no constituye en sí una medida del desempeño del proceso, en función del
valor nominal o meta. Esta medición se obtiene mediante Cpk y se calcula como sigue:

ES  X
 Cpk
3σ
Se usa el valor mas bajo
Cpk  min
de Cpk para el análisis
X  EI
 Cpk
3σ
En la siguiente figura se ilustran los valores Cp y Cpk de un proceso, mostrando las opciones de las
relaciones, que pueden inferirse con los cálculos obtenidos, entre estos índices.
Observando las figuras, con respecto a Cp y CpK puede considerarse:
 Cp=Cpk cuando el proceso esta centrado.
 El máximo valor de CpK es Cp
 Cuando CpK< Cp el promedio del proceso no esta centrado respecto a los límites de
especificación.
 Cuando CpK= 1.00 es un estándar o norma consagrado por la práctica. Índica que en ese
proceso se esta obteniendo un producto que satisface especificaciones.
 CpK< 1 indica que se está obteniendo un producto que no satisface especificaciones.
 Cpk= 0 indica que el proceso es igual a uno de los limites de la especificación.
 Un valor negativo de Cpk indica que el promedio queda fuera de las especificaciones.

11
 6 6

-3 -2 .0 - 1 .1 -0 .1
X0 0 .9 1 .9 2 .9 -1 2 -2 .7 -1 .8 -0 .8
X 00 .2 1 .2 2 .2

EI
ES Cp = 1 ,3 3 ; Cpk=1 ,3 3 ES Cp = 1 ,3 3 ; Cpk=1 ,0 0 EI
Proceso Ce n tra do Proceso No Ce n tra do

6
6

-2 .7 -1 .8 - 0 .8
X 00 .2 1 .2 2 .2 -6 - 2 .1 - 1 .2
X0
- 0 .2 0 .8 1 .8

ES Cp = 1 ,0 0 ; Cpk=1 ,0 0 EI ES Cp = 1 ,0 0 ; Cpk=0 ,6 7 EI
Proceso Ce n tra do Proce so No Ce n tra do

6 6

- 2 .7 -1 .8 - 0 .8
X 00 .2 1 .2 2 .2 -1 2 -2 .7 -1 .8 -0 .8
X0 .20 1 .2 2 .2

EI
ES Cp = 0 ,6 7 ; Cpk=0 ,6 7 ES Cp = 0 ,6 7 ; Cpk=0 ,3 3 EI
Proceso Ce n tra do Proceso No C en tra do

Como el ejemplo de Gráfica X  R ) el Cp < 1, supongamos que con un R = 1,38 Cp= 1,12 si es capaz,
el Cpk es:
17  14.64
 1.32
 1.38 
3 
 2.326 
Cpk  min Cpk =0,92
14.64  13
 0,92
 1.38 
3 
 2.326 
Como Cpk<1 el proceso no se esta desempeñando adecuadamente, además Cpk<Cp indica que el
promedio del proceso no está centrado respecto a los límites de especificación.

GRÁFICAS DE CONTROL PARA ATRIBUTOS

Un atributo se refiere, para el control de calidad a una característica de calidad que cumple con las
especificaciones o no.
Hay dos tipos de atributos:
1. Aquellos casos cuando no es posible hacer mediciones: color, ralladuras, etc.
2. Aquellos casos en los que si es posible hacer mediciones, pero no se realizan debido a tiempo,
costo o necesidad implicados.

12
Este tipo de gráficas puede ser muy útil cuando se pueden evaluar varias características de calidad
medibles, obteniendo información global sobre la calidad de forma práctica y menos costosa.
Tipos de Gráficos para Atributos
Existen dos tipos de grupos de gráficos de control por atributos. Uno de ellos es para unidades no
conformes y se basa en la distribución binomial (Gráficos p y np). El otro grupo de gráficos es la de no
conformidades y se basa en la distribución de Poisson (Gráficos c y u).

Gráficos p y np.
Gráficos p (proporción de artículos defectuosos).
Muestra las variaciones en la fracción o proporción de artículos defectuosos en un proceso. En esta
carta se revisan los artículos de una muestra (o subgrupo), y cada uno tiene una calidad aceptable o
no, es decir, un artículo pasa o no pasa. Los límites de control para una carta p están dados por:

p (1  p )
LCS  p  3
n
LC  p
p (1  p )
LCI  p  3
n

Donde,
n = es el tamaño de muestra
p = es la proporción promedio de artículos defectuosos (la cantidad de artículos defectuosos en todas
las muestras dividido entre la totalidad de productos inspeccionados).
En ocasiones el tamaño de muestra, n, es variable de muestra a muestra; en estos casos se debe usar
el tamaño de la muestra promedio para calcular los limites de control.
Ejemplo: Para analizar la estabilidad de la cantidad de artículos defectuosos en un proceso de
producción y tratar de mejorar, se toma una muestra de 120 piezas cada 4 horas. Los datos obtenidos
durante 6 días se muestran en la tabla.
Muestra Artículos Defect. p p(1  p) 0,07(1  0,07)
1 11 0,09 LCS  p  3  0,07  3  0,139
n 120
2 10 0,08
3 7 0,06 LC  p  0,07
4 10 0,08
p(1  p) 0,07(1  0,07)
5 4 0,03 LCI  p  3  0,07  3  0,0001
6 12 0,10 n 120
7 8 0,07
Gráfico de Control p
8 5 0,04
9 14 0,12
10 12 0,10 0,14
11 8 0,07 A
0,12
12 7 0,06 B
0,10
13 9 0,08
C
14 6 0,05 0,08
p

15 6 0,05 0,06 C
16 11 0,09
0,04 B
17 9 0,08
18 7 0,06 0,02 A
19 6 0,05 0,00
20 10 0,08 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Muestras
p = 0,072

13
Análisis: Como puede observarse en la gráfica existe un acercamiento al límite central, se refleja poca
variabilidad. Esto puede deberse a una forma inapropiada de hacer subgrupos.

Gráficos np (número de Artículos Defectuosos).

En ocasiones, cuando el número de muestras en los gráficos p es constantes, es más
conveniente usar la carta np en la que se gráfica el numero de artículos defectuosos por muestra, en
lugar de la proporción. Los límites de control para la gráfica np están dados por:

LCS  n p  3 n p (1  p)
LC  n p
LCI  n p  3 n p (1  p)

Donde igual que en la carta p, n es el tamaño de la muestra y p es la proporción promedio de artículos

defectuosos, con lo que np es la estimación del número promedio de artículos defectuosos por muestra.
Algo que es importante destacar es la relación entre la gráfica p y la np , ya que esencialmente estas
gráfica son las mismas, salvo un cambio de escala.
En el ejemplo anterior, para convertir el Gráfico p en un Gráfico np , basta multiplicar la escala por el
tamaño de muestra (120). Con la carta np se tiene la ventaja de que se grafica directamente el numero
de artículos defectuoso, mientras que en la carta p es mas fácil evaluar la magnitud de las fallas en el
proceso en términos porcentuales.

Interpretación de los Gráficos p y np

Una buena interpretación de las cartas p y np no solo es ver si hay puntos fuera de los límites de
control, sino además analizar el cambio de nivel, tendencias, tolerancias, ciclos, y mucha o poca
variabilidad, con los mismos criterios observados en los Gráficos X  R .

Gráficos c y u (para defectos)

Gráficos c (número de defectos)
El objetivo del Gráfico c es analizar la variabilidad del número de defectos. En ella se grafica ci que es
igual al numero de defectos encontrado en cada muestra. Los límites de control se obtienen:

LCS  c  3 c
LCl  c
LCI  c  3 c
Donde c es el número promedio de defectos por subgrupo, y se obtiene al dividir el total de defectos
encontrados entre el total de subgrupos.
La carta c es aplicable donde el tamaño de subgrupo puede verse como constante; por
ejemplo, una semana, una pieza, 100 artículos, 1m. de tela o cualquier otra cantidad que pueda verse
como unidad, pero siempre debe permanecer constante. Si es variable se aplica la carta u.
Ejemplo: Una empresa edita mil ejemplares semanales de un boletín técnico. Semanalmente se toma
una muestra de 200 ejemplares y se verifica si la dirección del destinatario ha sido bien tipeada. El
número de errores detectados en la muestra durante las últimas veinte semanas se suministra a
continuación, al igual que el Gráfico de Control c, para analizar el proceso.

Análisis: Como puede observarse en la semana 15 y 16 se da un número de defectos que superan el

límite de control superior, por lo cual, se evidencia que el proceso se encuentra fuera de control
estadístico, y es importante encontrar la causa especial de variación para eliminarla.

14
Semana Nº Errores
LCS  c  3 c  6,85  3 6,85  14,70
1 11
2 7
LCl  c  6,85
3 4 LCI  c  3 c  6,85 - 3 6,85  -1  0
4 1
5 5 Gráfico de Control c
6 13
7 6
20
8 5
18
9 3
16
10 0
14
11 5 A
12 7 12
B
13 9 10
c

14 5 8 C
15 17 6
C
16 18 4
17 9 2 B
18 5 0 A
19 7 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
20 0
Muestras
c= 6,85

Gráficos u (número de defectos por unidad)

Cuando en los gráficos c el tamaño del subgrupo no es constante o cuando, aunque sea
constante, se prefiere cuantificar el número promedio de defectos por unidad en lugar del total de
defectos en la muestra, se usa la carta u. Los límites de control en una carta u están dados por:

u
LCS  u  3
n
LC  u
u
LCI  u  3
n

Donde u es el número promedio de defectos por unidad en todo el conjunto de datos. Cuando el
tamaño de subgrupo, no es constante, entonces n se sustituye por el tamaño promedio de subgrupo, n.

Ejemplo: En un hotel se ha venido llevando un registro de quejas de los clientes desde hace 15
semanas junto con el número de clientes por semana. Los datos se muestran en la tabla anexa, al igual
que el grafico u resultante.
Análisis: Como puede observarse no se detecta ningún patrón que indique alguna variación especial en
el proceso, por lo que se considera bajo control estadístico.

15
Semana Clientes Quejas 184 u 0,08
u  0.08 LCS  u  3  0,08  3  0,15
1 114 11 2195 n 146
LC  u  0,08
2 153 15
2.195
n  146 u 0,08
3 115 5 15 LCI  u  3  0,08 - 3  0,009
n 146
4 174 14

5 157 16
Gráfico de Control u
6 219 11

7 149 10 0,16
0,14 A
8 147 9
0,12
B
9 131 10 0,10
C
10 91 10 0,08
u

0,06 C
11 112 10
0,04 B
12 158 11 0,02 A
13 244 30 0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
14 111 11
Muestras
15 120 11

Total 2.195 184

BIBLIOGRAFÍA

BESTERFIELD, Dale (1995). CONTROL DE LA CALIDAD. Cuarta Edición. Prentice Hall

Hispanoamericana, S.A. México. PP 508.

FEIGENBAUM, Armand (1986). CONTROL TOTAL DE LA CALIDAD. Novena Edición. Ediciones CECSA.
México. PP 871.

EVANS, James y LINDSAY, William (2000). ADMINISTRACIÓN Y CONTROL DE LA CALIDAD. Cuarta

Edición. International Thomson Editores. México.

GRANT, Eugene (1987). CONTROL ESTADÍSTICO DE CALIDAD. Quinta Reimpresión CECSA. México

GUTIERREZ, Humberto (1997). CALIDAD TOTAL Y PRODUCTIVIDAD. Primera Edición. Mc Graw Hill.
México. PP 522

HITOSHI, Kume (1992). HERRAMIENTAS ESTADÍSTICAS BÁSICAS PARA EL MEJORAMIENTO DE

LA CALIDAD. Grupo Editorial Norma. Colombia. PP 232.

ISHIKAWA. Kaouru (1985). GUÍA DE CONTROL DE CALIDAD. UNIPUB. Estados Unidos de América.
PP 216.

16
 RESUMEN DE FORMULAS PARA GRÁFICOS DE CONTROL PARA VARIABLES

GRÁFICO DE
OBJETIVO FORMULAS OBSERVACIONES
CONTROL

Registra la variación Cuando se usa con Gráfico R

experimentada en el valor
LCS  X  A2 R Esta gráfica debe usarse en
X promedio de las muestras,
combinación con una gráfica
Medias o cuando la característica de
LC  X R para controlar la variación
Promedio calidad del producto que
dentro de un subgrupo.
se está midiendo toma
LCI  X  A2 R
valores continuos.

 R   R  Se usa únicamente en
Se usa cuando los datos LCS  X  3    X  3 
d   1.128  combinación con la Gráfica R.
de un proceso se registran  2    Debido a que no hay
durantes intervalos largos
X LC  X subgrupo y el valor de R no
o los subgrupos no son
Individuales se puede calcular, se usa el
efectivos, registrando  R   R 
valores individuales de LCI  X  3    X  3  rango móvil de datos
d   1.128 
 2    sucesivos para el cálculo de
variables continuas.
los límites de control.
Se usa para estudiar la
variabilidad dentro de las
LCS  D4 R Se usa en combinación con
muestras, cuando la
R
característica de calidad LC  R una gráfica X cuando n <
Rango
del producto que se está 10.
midiendo toma valores LCI  D3R
continuos.

RESUMEN DE FORMULAS PARA GRÁFICOS DE CONTROL PARA ATRIBUTOS

GRÁFICO DE
OBJETIVO FORMULAS OBSERVACIONES
CONTROL

p p (1  p )
LCS  p  3
Sirve para controlar la n El tamaño de la muestra, n,
Fracción o
proporción fracción de unidades LC  p puede ser constante o
de unidades defectuosas. variable.
p (1  p )
defectuosas LCI  p  3
n
np LCS  n p  3 n p (1  p)
Número de Registra el número de El tamaño de la muestra, n,
unidades defectuosas. LC  n p
unidades debe ser constante.
defectuosas LCI  n p  3 n p (1  p)

c LCS  c  3 c
Registra y controla el El tamaño de la muestra, n,
Número de número de defectos. LCl  c
defectos debe ser constante.
LCI  c  3 c

u
u LCS  u  3
Registra y controla el n El tamaño de la muestra, n,
Número de número de defectos por
defectos por
LC  u puede ser variable o
unidad de la muestra. constante.
unidad u
LCI  u  3
n

17
 (ES - EI) R
Índice Cp: Cp 
6
, 
d2

ES  X
 Cpk
3σ
Se usa el valor mas bajo
Índice Cpk  min de Cpk para el análisis
X  EI
 Cpk
3σ

TABLA DE CONSTANTES PARA GRÁFICOS DE CONTROL

n d2 A2 d3 D3 D4
2 1.128 1.880 0.853 0.000 3.267
3 1.693 1.023 0.888 0.000 2.575
4 2.059 0.729 0.880 0.000 2.282
5 2.326 0.577 0.864 0.000 2.115
6 2.534 0.483 0.848 0.000 2.004
7 2.704 0.419 0.833 0.076 1.924
8 2.847 0.373 0.820 0.136 1.864
9 2.970 0.337 0.808 0.187 1.816
10 3.078 0.308 0.797 0.223 1.777
11 3.173 0.285 0.787 0.256 1.744
12 3.258 0.266 0.778 0.284 1.716
13 3.336 0.249 0.770 0.308 1.692
14 3.407 0.235 0.763 0.329 1.671
15 3.472 0.223 0.756 0.348 1.652
16 3.532 0.212 0.750 0.640 1.636
17 3.588 0.203 0.744 0.379 1.621
18 3.640 0.194 0.739 0.392 1.608
19 3.689 0.187 0.734 0.404 1.596
20 3.735 0.180 0.729 0.414 1.586
21 3.778 0.173 0.724 0.425 1.575
22 3.819 0.167 0.720 0.434 1.566
23 3.858 0.162 0.716 0.443 1.557
24 3.895 0.157 0.712 0.452 1.548
25 3.931 0.153 0.708 0.459 1.541

18